지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 서일홍
- 발행연도
- 2016
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 RGB-D 카메라인 Xtion pro live 센서와 관성 측정 장치인 IMU 센서를 이용하여 무인항공기 Unmanned Aerial Vehicle (UAV)의 현재 위치를 추정하고 동시에 3차원 지도를 만드는 Simultaneous Localization And Mapping (SLAM) 알고리즘을 소개한다. 기존의 RGB-D 카메라를 이용하여 3차원 지도를 만드는 시스템에서는 비전을 기반으로 한 시스템이기 때문에 특징 점들이 존재하지 않는 구간에서는 SLAM을 수행하지 못하는 문제가 있다. 본 논문은 이러한 문제점을 보완하기 위해 IMU 센서의 Euler 각도 정보와 RGB-D 센서의 Euler 각도 정보를 칼만 필터를 통해 융합함으로써 카메라의 포즈정보를 보완하여 정밀하고 강인한 3차원 SLAM을 수행한다. 칼만 필터의 프로세스 노이즈 공분산행렬 Q (Process noise covariance matrix)는 현재 프레임과 이전 프레임에서의 RGB-D 데이터로부터 매칭된 인라이어 개수에 영향을 받기 때문에 매칭된 인라이어 개수가 적은 경우에는 IMU 센서가 보완을 해주며 충분히 많은 경우에는 RGB-D 센서에 좀 더 의존하는 결과를 확인 할 수 있다. 측정 노이즈 공분산행렬 R (Measurement noise covariance matrix)은 실험을 통해 계산하여 조율함으로써 다른 새로운 환경에서도 3차원 SLAM을 수행할 수 있다.
목차
그림 목차 ⅲ표 목차 ⅴ국문 요지 ⅵ제 1 장. 서론 11.1 배경 11.2 문제 정의 및 제안 2제 2 장. 시스템 구성 32.1 하드웨어 구성 32.2 시스템 구성도 9제 3 장. UAV(Unmanned Aerial Vehicle) 103.1 DJI PHANTOM2 103.2 NAZA-M V2 컨트롤러 12제 4 장. IMU(Inertial Measurement Unit) 센서 174.1 IMU 센서 모델 174.2 IMU 센서 데이터 융합 22제 5 장. RGB-D 센서 255.1 RGB-D 센서 모델 255.2 사영 기하학(Projective Geometry) 285.3 카메라 렌즈 왜곡(Camera Lens Distortion) 295.4 회전 행렬과 이동 벡터 31제 6 장. 센서 데이터 융합 336.1 3차원 SLAM(Simultaneous Localization And Mapping) 346.2 칼만 필터 모델 366.3 프로세스 노이즈 공분산 행렬 Q 396.4 측정 노이즈 공분산 행렬 R 40제 7 장. 실험 427.1 센서 데이터 비교 427.2 센서 데이터 융합의 실험적 검증 45제 8 장. 결론 및 향후 과제 49참 고 문 헌 50ABSTRACT 53감사의 글 55연구윤리서약서(국문) 58연구윤리서약서(영문) 59
최근 본 자료
댓글(0)
0